Py学习  »  机器学习算法

基于机器学习和Google Earth Engine的生态多样性景观中高分辨率森林冠层覆盖估算:有效性和可靠性评估

走天涯徐小洋地理数据科学 • 1 年前 • 251 次点击  


目:High-resolution forest canopy cover estimation in ecodiverse landscape using machine learning and Google Earth Engine: Validity and reliability assessment

期刊:Remote Sensing Applications: Society and Environment

第一作者:Hamdi A. Zurqani

发表单位:University of Arkansas Division of Agriculture

发表日期:2023年




1. 摘要 

研究背景: 在生态多样性景观中,准确估计森林冠层覆盖度对于生态保护和资源管理至关重要。然而,传统的遥感方法在生态多样性景观中的森林冠层覆盖估计方面存在一些困难,如精度不高、数据获取困难等。因此,本研究旨在利用机器学习和Google Earth Engine技术,提高在生态多样性景观中进行高分辨率森林冠层覆盖估计的有效性和可靠性。

拟解决的科学问题:本研究的主要目标是:1)开发空间分辨率为 1 米的大规模 FCC 数据集,2)评估区域尺度上 FCC 的空间分布,3) 以及检查 Hansen 等人的树冠覆盖率 (TCC) 百分比数据中现有数据中 FCC 区域的差异和美国林务局 TCC 产品在阿肯色州内不同空间尺度(即县和市级别)。

创新点:利用机器学习和Google Earth Engine技术进行高分辨率森林冠层覆盖估计。这种方法能够更准确地估计森林冠层覆盖度,并提供对生态多样性景观中森林冠层的详细信息。

    



2. 研究方法 

本研究采用了以下方法:

1. 利用Google Earth Engine平台获取高分辨率遥感影像数据。

2. 构建基于机器学习的模型,随机森林,进行森林冠层覆盖估计。

3. 利用野外实地调查数据进行模型的验证和校正。

4. 进行有效性和可靠性评估,比较所提出方法和传统方法的差异。

数据处理和分析步骤的流程图




3. 研究结果 

本研究采用高分辨率航空图像和机器学习算法,研究了1m空间分辨率的第一代森林冠层覆盖(面心立方)数据集,并使用谷歌地球引擎云计算平台进行了处理和分析。
FCC 数据集是使用高分辨率航空图像和随机森林 (RF) 机器学习算法生成的,并使用 Google Earth Engine 云计算平台进行处理和分析。Hansen 等人使用从 TCC 百分比数据获得的三分之一的观测值(即参考位置)对生成的 FCC 数据集进行了验证。数据集和 0.6 米空间分辨率的国家农业影像计划 (NAIP) 航空影像。结果表明,该数据集成功识别了研究区域内 1 米分辨率的 FCC,每个县的总体准确率在 83.31% 至 94.35% 之间。生成的 FCC 数据集与 Hansen 等人的数据集之间的空间比较结果。和 USFS 产品也显示出很强的正相关性,县和市级别的 R2 值在 0.94 到 0.98 之间。该数据集为阿肯色州和其他地区的森林资源监测、预测和管理提供了宝贵的信息。此外,这项研究的结果证明,使用机器学习和云计算技术可以产生高分辨率的森林覆盖数据集,并可以应用于世界其他地区。

美国阿肯色州研究区地图

由射频分类器识别的变量重要性;变量按不同的颜色分为四类。(第2.3节,表1、表2)。高值的变量比低值的变量更重要

国阿肯色州每个县的最终森林林冠覆盖(面心立方)地图的总体准确性

从NAIP图像中提取的美国阿肯色州森林树冠覆盖度(面心立方)的可视化。像素为1平方米

从NAIP图像中提取的美国阿肯色州每个县的森林树冠覆盖度百分比(面心立方)。像素为1平方米

研究区域内面心立方的选定例子: (a) NAIP图像,(b)NAIP-数据来源的高分辨率森林覆盖地图,(c) TCC百分比数据汉森等人(2013),(d)美国林业局的TCC产品,(e) NAIP图像,(f)NAIP数据来源网站的高分辨率森林覆盖地图,(g) TCC百分比数据汉森等人(2013),(h)美国林业局的TCC产品(i)网站的NAIP图像,(j)NAIP-数据高分辨率森林覆盖地图,(k)Hansen等人(2013)的数据,(l)美国。林业局的C站点的TCC产品

来自NAIP图像的面心立方与来自Hansen等人(2013)的面心立方和USFS产品之间的差异的散点图。结果显示了阿肯色州的面心立方:(a和b)在县级(n = 75),(c和d)在城市级(n = 500)。残差尺度的图例表明了差异的程度,更红色代表Hansen等人(2013)的更多的面心立方区域,USFS产品,更蓝的颜色代表NAIP图像中更多的面心立方区域。两种产品之间没有差异的区域将显示为灰色。黑色的虚线是拟合的线,蓝色的1:1线作为参考

    



4. 结果与讨论 

通过利用机器学习和Google Earth Engine技术,本研究成功提高了在生态多样性景观中进行高分辨率森林冠层覆盖估计的有效性和可靠性。研究结果表明,所提出的方法能够更准确地估计森林冠层覆盖度,并提供了对生态多样性景观中森林冠层的详细信息。与传统方法相比,所提出的方法具有更高的精度和可靠性。

    

参考文献:A. H Z .High-resolution forest canopy cover estimation in ecodiverse landscape using machine learning and Google Earth Engine: Validity and reliability assessment[J].Remote Sensing Applications: Society and Environment,2024,33

- 往期回顾 -
1. GEE 去云专题与数据下载详解
2.环境遥感中的迁移学习
3.利用时间序列集成学习方法实现基于树木的热带镶嵌景观系统干扰监测


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/165394
 
251 次点击